含硅乙炔（PSA）樹脂作為一種有機-無機雜化耐高溫樹脂具有廣闊的應用前景，但其加工性能仍需進一步提高以滿足低粘度的加工要求。由于研發(fā)周期長，PSA樹脂的設計通常依賴試錯法，效率低下。

為此，華東理工大學林嘉平教授、王立權副教授等人提出了一種機器學習（ML）增強的材料基因組方法（MGA）來設計和篩選具有優(yōu)異加工性能和耐熱性的PSA樹脂。首先，作者定義了“基因”并在數(shù)據(jù)庫中搜索可用于化學組合的類似結構。作者將二炔和二氯硅烷分別定義為“二炔基因”（A基因）和“硅烷基因”（B基因），基于相似性從數(shù)據(jù)庫中收集了16種“二炔基因”和23種“硅烷基因”并將其組合成368種候選樹脂進行篩選。然后，通過多層感知器（MLP）模型分別預測368種候選樹脂的加工性能（lgη）和耐熱性（T_d5）。

此外，作者設定了篩選樹脂的標準：1）將耐熱性和加工性能的預測值映射到0到1的范圍內，其中1表示樹脂的加工性能或耐熱性最好，0代表樹脂最差。2）每個屬性的重要性都有一個權重系數(shù)，根據(jù)權重系數(shù)計算加權平均值。

圖1. 用于篩選易于加工的耐熱樹脂的MGA

使用基于ML模型的MGA，最終篩選出易于合成的PSNP-MV樹脂并通過格氏反應進一步合成。實驗和理論模擬結果表明，PSNP-MV樹脂在低粘度下表現(xiàn)出改進的加工性能并保持了優(yōu)異的耐高溫性，驗證了MGA的篩選結果。根據(jù)分析，甲基乙烯基二氯硅烷和二氯二乙烯基硅烷可能對設計易于加工的耐熱壓敏膠具有潛在價值。最后，作者強調了目前MGA的局限性。

首先，模型的準確性仍有提升空間。聚合物的特性數(shù)據(jù)分散甚至不完整，為構建模型收集可靠的數(shù)據(jù)是一個挑戰(zhàn)。其次，在篩選階段沒有充分考慮合成的可行性，必須選擇一種易于從篩選樹脂中合成的樹脂。盡管如此，與試錯法或科學直覺相比，從這項研究中獲得的見解可能有助于加速新型耐熱樹脂的開發(fā)并降低時間成本。

圖2. “基因”分析結果

Design of silicon-containing arylacetylene resins aided by machine learning enhanced materials genome approach, Chemical Engineering Journal 2022. DOI: 10.1016/j.cej.2022.137643